一种小波变换-胶囊神经网络级联型气体识别方法和装置

1.本发明涉及混合气体检测领域，尤其是涉及一种小波变换-胶囊神经网络级联型气体识别方法和装置。


背景技术：

2.气敏传感器被广泛应用于尾气监测、烟雾报警、民用燃气泄漏检测和化工厂危险气体监测等。常见的气敏传感器根据工作原理，分为红外式、热导式、催化燃烧式、固体电解式以及金属氧化物半导体(metal oxide semiconductor,mos)等类型。其中mos气敏传感器因其具有高灵敏度、小体积、低能耗、低造价等优点，在工业界和学术界均受到广泛关注。
3.mos气敏传感器的气敏机理是基于待测气体与氧气之间氧化还原性的差异，以n型半导体为例，载流子为电子，当气敏材料位于空气中时，空气中的氧气将从气敏材料的导带中夺取电子，生成空间电荷层，并使得晶体表面电子势垒上升，气敏材料处于高电阻状态。若待测气体氧化性更强，气敏材料表面将进一步失去电子，阻值进一步升高；反之，若待测气体还原性更强，气敏材料表面将重新获得电子，阻值有所下降，对于p型半导体，反应过程则完全相反。从气敏机理中可以看出，mos气敏传感器将待测气体组分和浓度信息转化为电信号，通过对电信号的进行数字化处理分析，即可解析出待测气体的信息。
4.mos气敏传感器的突出问题是具有交叉敏感性，即不存在具备单一敏感性的mos气敏传感器，因此对于混合气体的组分检测，单一mos气敏传感器表现不佳。为了解决该问题，研究人员一方面从敏感材料物化性能出发，通过元素掺杂、表面修饰、微观形貌改性等方式，提高气体选择性，抑制交叉敏感性；另一方面，将具有不同敏感特性的一系列mos气敏传感器组成阵列传感器，通过比较分析各通道mos气敏传感器的响应信号差异，实现对混合气体的组成成分识别。
5.目前常用的基于mos气敏传感器的识别算法包括主成分分析算法(pca)、独立成分分析算法(ica)、局部保留投影算法(lpp)、核主成分分析算法(kpca)、k近邻算法(knn)以及支持向量机算法(svm)。其中pca、ica以及lpp算法都主要用于提取线性特征，对于动态响应阶段的非线性特征不能有效提取；kpca算法虽能提取非线性特征，但结合knn算法进行分类时，随着样本量的增加，knn算法的计算量迅速增加，分类时间延长；svm虽然可以提取非线性特征并且对于样本量要求不高，但其核函数需要满足mercer条件，对于不同的待测气体需要经常做出调整。


技术实现要素：

6.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种小波变换-胶囊神经网络级联型气体识别方法和装置。
7.本发明的目的可以通过以下技术方案来实现：
8.一种小波变换-胶囊神经网络级联型气体识别方法，包括以下步骤：
9.s1、将混合气体输入多通道传感器阵列，获取气体时域信号；
10.s2、对气体时域信号进行五层小波变换，获取信号序列；
11.s3、将信号序列经过维度变换后输入胶囊神经网络，结合动态路由算法，获取气体识别结果，所述胶囊神经网络包括输入层、卷积层、主胶囊层、数字胶囊层、分类器层和输出层。
12.进一步地，五层小波变换中，每一层小波变换将输入信号分解成信号高频部分和信号低频部分，将每一层得到的信号低频部分作为下一层小波变换的输入，最终将第五层获取的信号高频部分和每一层得到的信号低频部分叠加，作为输出的信号序列。
13.进一步地，所述数字胶囊层中的数字胶囊数与待测气体中的气体类型数相同。
14.进一步地，步骤s3中维度变换具体包括：
15.将信号序列进行隔点取样，得到采样数据，将所有通道的采样数据按通道顺序排列后，得到维度变换后的小波变换系数图像，作为胶囊神经网络的输入。
16.进一步地，输入层包括步幅为1的256个9*9的卷积核，卷积层包括步幅为2的32个9*9的卷积层。
17.一种小波变换-胶囊神经网络级联型气体识别装置，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现以下方法：
18.s1、将混合气体输入多通道传感器阵列，获取气体时域信号；
19.s2、对气体时域信号进行五层小波变换，获取信号序列；
20.s3、将信号序列经过维度变换后输入胶囊神经网络，所述胶囊神经网络包括输入层、卷积层、主胶囊层、数字胶囊层、分类器层和输出层，结合动态路由算法，获取气体识别结果。
21.与现有技术相比，本发明具有以下优点：
22.1、本发明提取混合气体的时域信号后，进行了五层小波变换，同时获取了低频数据和高频数据，即同时提取了稳态下的线性特征以及动态响应阶段的非线性特征，使得后续基于这些特征的判别更准确，提高了识别的准确性；还经过了胶囊神经网络，对大量数据处理后输出了判别结果，简化了计算，提高了识别的效率。
23.2、本发明在对胶囊神经网络的设置中，仅仅需要根据待测气体的气体类型数对数字胶囊层的胶囊数进行设置，无需因气体的改变对其它参数进行设置，泛用性强，可适用于不同应用场景下的气体检测。
附图说明
24.图1为本发明的流程示意图。
25.图2为本发明获取混合气体的时域信号的流程框图。
26.图3为本发明使用的五层小波变换原理图。
27.图4为本发明使用的胶囊神经网络的架构图。
具体实施方式
28.下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
29.本实施例提供了一种小波变换-胶囊神经网络级联型气体识别方法，其特征在于，包括以下步骤：
30.步骤s1、将混合气体输入多通道传感器阵列，经过采集板和上位机的计算，获取气体时域信号；
31.步骤s2、对气体时域信号进行五层小波变换，根据提取到的低频数据和高频数据，获取信号序列；
32.步骤s3、将信号序列经过维度变换后获取的小波变换系数图像输入胶囊神经网络，胶囊神经网络包括输入层、卷积层、主胶囊层、数字胶囊层、分类器层和输出层，结合动态路由算法，获取气体识别结果。
33.在本实施例中，步骤s1具体包括：
34.首先，本实施例以co气体和h2气体以及二者混合后的气体作为用于检测的气体，获取方法如下：
35.用100％浓度的co和20％浓度h2、80％浓度n2的混合气体作为气源，通过质量流量计控制两种气源的气体比例，并在气体混合腔经过充分混合后，得到不同浓度的混合气体样本。
36.在得到混合气体后，输送至多通道传感器阵列中，本实施例采用8通道传感器阵列，由8通道12位a/d转换信号采集板以10hz的频率进行采集，将信号传输至搭载基于labview的信号采集软件的上位机，最终得到8通道的气体时域信号曲线。整个信号的获取流程框图如图1所示。
37.在本实施例中，步骤s2具体包括：
38.对各通道的气体时域信号进行五层小波变换，每一层小波变换均将输入信号分解成反应信号细节的高频数据以及反应信号概貌的低频数据，并将得到的低频数据作为下一层小波变换的输入进行进一步的分解，如图3所示。结合mallat算法，原始信号可以表示为最后一层(第五层)的低频数据和所有高频数据的叠加，表达式如下：
39.s＝a5 d5 d4 d3 d2 d140.其中，s表示气体时域信号，a5表示第五层小波变换后的低频数据，di表示第i层小波变换后的高频数据。
41.最终输出叠加的数据，作为信号序列。
42.在本实施例中，步骤s3具体包括：
43.首先，对各通道的信号序列进行隔点取样，得到共计512个数据，8通道共计得到4096个数据，将其按通道顺序依次排列，并将维度变换为64
×
64大小的小波变换系数图像，输入胶囊神经网络的输入层，首先采用256个9
×
9大小的卷积核，步幅为1进行卷积，激活函数选用relu，得到256
×
56
×
56的张量，目的在于提取输入图像中的低级特征。然后经过卷积层，采用32个9
×
9大小的卷积核，步幅为2，对256
×
56
×
56的张量进行卷积，得到32
×
24
×
24的张量，接着将其维度转换为32
×1×
24
×
24，由于共有8个通道的数据，重复卷积层中的操作8次，并将结果进行组合，最终得到32
×8×
24
×
24的张量。然后经过主胶囊层，共包含32个主胶囊，其中每个主胶囊又包含24
×
24个1
×
8的子胶囊。由于本实施例所选取待测气体的气体类型共有co气体和h2气体以及二者混合后的气体三种，因此在数字胶囊层设置了三个数字胶囊，每个胶囊接收32
×8×
24
×
24的输入张量，通过8
×
16的姿态矩阵对子胶
囊进行矩阵变换，结合动态路由算法，输出3
×
16的矩阵。通过上述的卷积维度转换，可更精准地反馈出气体时域信号的数据特征。3
×
16矩阵的各行向量的l2范数即为对应类别的概率，将3种对应概率中的最大值所在行数输入至分类器层，分类器层即可获取对应的具体气体类别，并传递给输出层。胶囊神经网络的架构图如图4所示。
44.最终，通过输出层得到气体识别的结果。
45.本实施例还提出了一种小波变换-胶囊神经网络级联型气体识别装置，包括存储器和处理器；存储器，用于存储计算机程序；处理器，用于当执行计算机程序时，实现以下方法：
46.步骤s1、将混合气体输入多通道传感器阵列，经过采集板和上位机的计算，获取气体时域信号；
47.步骤s2、对气体时域信号进行五层小波变换，根据提取到的低频数据和高频数据，获取信号序列；
48.步骤s3、将信号序列经过维度变换后获取的小波变换系数图像输入胶囊神经网络，胶囊神经网络包括输入层、卷积层、主胶囊层、数字胶囊层、分类器层和输出层，结合动态路由算法，获取气体识别结果。
49.本实施例又提出了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例中提到的一种小波变换-胶囊神经网络级联型气体识别方法，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
50.以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

技术特征：
1.一种小波变换-胶囊神经网络级联型气体识别方法，其特征在于，包括以下步骤：s1、将混合气体输入多通道传感器阵列，获取气体时域信号；s2、对气体时域信号进行五层小波变换，获取信号序列；s3、将信号序列经过维度变换后输入胶囊神经网络，结合动态路由算法，获取气体识别结果，所述胶囊神经网络包括输入层、卷积层、主胶囊层、数字胶囊层、分类器层和输出层，。2.根据权利要求1所述的一种小波变换-胶囊神经网络级联型气体识别方法，其特征在于，五层小波变换中，每一层小波变换将输入信号分解成信号高频部分和信号低频部分，将每一层得到的信号低频部分作为下一层小波变换的输入，最终将第五层获取的信号高频部分和每一层得到的信号低频部分叠加，作为输出的信号序列。3.根据权利要求1所述的一种小波变换-胶囊神经网络级联型气体识别方法，其特征在于，所述数字胶囊层中的数字胶囊数与待测气体中的气体类型数相同。4.根据权利要求1所述的一种小波变换-胶囊神经网络级联型气体识别方法，其特征在于，步骤s3中维度变换具体包括：将信号序列进行隔点取样，得到采样数据，将所有通道的采样数据按通道顺序排列后，得到维度变换后的小波变换系数图像，作为胶囊神经网络的输入。5.根据权利要求1所述的一种小波变换-胶囊神经网络级联型气体识别方法，其特征在于，输入层包括步幅为1的256个9*9的卷积核，卷积层包括步幅为2的32个9*9的卷积层。6.一种小波变换-胶囊神经网络级联型气体识别装置，其特征在于，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现以下方法：s1、将混合气体输入多通道传感器阵列，获取气体时域信号；s2、对气体时域信号进行五层小波变换，获取信号序列；s3、将信号序列经过维度变换后输入胶囊神经网络，结合动态路由算法，获取气体识别结果，所述胶囊神经网络包括输入层、卷积层、主胶囊层、数字胶囊层、分类器层和输出层。7.根据权利要求6所述的一种小波变换-胶囊神经网络级联型气体识别装置，其特征在于，五层小波变换中，每一层小波变换将输入信号分解成信号高频部分和信号低频部分，将每一层得到的信号低频部分作为下一层小波变换的输入，最终将第五层获取的信号高频部分和每一层得到的信号低频部分叠加，作为输出的信号序列。8.根据权利要求6所述的一种小波变换-胶囊神经网络级联型气体识别装置，其特征在于，所述数字胶囊层中的数字胶囊数与待测气体中的气体类型数相同。9.根据权利要求6所述的一种小波变换-胶囊神经网络级联型气体识别装置，其特征在于，步骤s3中维度变换具体包括：将信号序列进行隔点取样，得到采样数据，将所有通道的采样数据按通道顺序排列后，得到维度变换后的小波变换系数图像，作为胶囊神经网络的输入。10.根据权利要求6所述的一种小波变换-胶囊神经网络级联型气体识别装置，其特征在于，输入层包括步幅为1的256个9*9的卷积核，卷积层包括步幅为2的32个9*9的卷积层。

技术总结
本发明涉及一种小波变换-胶囊神经网络级联型气体识别方法和装置，包括将混合气体输入多通道传感器阵列，获取气体时域信号；对气体时域信号进行五层小波变换，获取信号序列；将信号序列经过维度变换后输入胶囊神经网络，结合动态路由算法，所述胶囊神经网络包括输入层、卷积层、主胶囊层、数字胶囊层、分类器层和输出层，获取气体识别结果。与现有技术相比，本发明具有识别准确率高等优点。发明具有识别准确率高等优点。发明具有识别准确率高等优点。


技术研发人员：蒋坤 王磊
受保护的技术使用者：同济大学
技术研发日：2022.02.21
技术公布日：2022/5/25